CN106124982A - 一种风电机组的自动专家综合故障诊断***及诊断方法 - Google Patents

Abstract

本发明公开了一种风电机组的自动专家综合故障诊断***及诊断方法，包括：数据采集模块，采集主控单元和振动信号采集单元的相关数据并传输至故障诊断模块；故障诊断模块，综合运用神经网络知识和专家***模块的知识，利用正向推理和实时获取的参数波动值与故障样本知识库中的数据进行比对，实时产生故障信息；故障诊断模块将诊断出的故障信息通过人机接口模块进行输出。本发明利用主控单元读取如风电机组瞬时功率、转速、桨角、机舱温度、风速、油温、偏航状态等参数来提高故障诊断的准确性，利用基于小波包分析的神经网络专家***进行自动分析，通过专家诊断***给出运行维护建议。

Description

一种风电机组的自动专家综合故障诊断***及诊断方法

技术领域

本发明涉及风力发电技术领域，具体涉及一种风电机组的自动专家综合故障诊断***及诊断方法。

背景技术

随着常规能源短缺的日益严重，可再生能源开发与利用无疑将成为今后能源开发主要方向。目前，风力发电技术已经成熟，风电装机容量不断扩大，截止至2015年底，中国风电装机容量已突破145.1GW，随着在役机组数量的增加，如何保证风电机组安全、可靠、高效地运行已成为风电行业关注的重点。

风电机组的工作环境恶劣，风速有很高的不稳定性，机组部件很容易损坏，而风电机组又安装在偏远山区且距离地面较高，维修不便，风电机组的状态监测和故障诊断在这种情况下具有重要的意义。

状态监测的同时进行故障诊断是降低风电机组的维修和操作成本的最有效方式。通常状态监测多为位移，速度，加速度三种可测量的幅值参数信号。在振动监测中，机组各部件信号，比如轴承、齿轮破损所产生的冲击信号多为高频信号，则一般采用加速度参量。在采集的状态信息的基础上，利用自动专家综合故障诊断***，可以对如结冰引起的叶片旋转不平衡振荡等故障进行预警，防止故障的进一步扩大，可以有效地降低维修费用和停机时间，避免不确知的突然故障，降低维修成本。

现有风机运行状态实时监测***中，通过对机组振动及其有关信号的分析和处理，可判断机组运行状态是否正常，并实现危险报警和连锁保护，但是不能预报出现某种故障的可能性，出现异常情况时，也不能指出机组出现故障的原因。为此，需要设计一个与实时监测***并行工作的故障诊断***，指导运维人员对机组进行维护。自动专家综合故障诊断***的建立将对延长风力发电机组使用寿命的目的具有重要的意义。

发明内容

为解决现有技术存在的不足，本发明公开了一种风电机组的自动专家综合故障诊断***及诊断方法，通过振动传感器和主控单元获得数据，基于小波包分析的神经网络专家***对实时采集的数据进行自动分析，专家诊断***给出运行维护建议，保护风电机组安全稳定运行。

为实现上述目的，本发明的具体方案如下：

一种风电机组的自动专家综合故障诊断***，包括

主控单元，用于将风电机组的实时运行参数传输至数据采集模块；

振动信号采集单元，用于将风电机组的振动信号传输至数据采集模块；

数据采集模块，采集主控单元和振动信号采集单元的相关数据并传输至故障诊断模块；

专家***模块，综合运用神经网络知识和专家***的知识，利用正向推理和实时获取的参数波动值与故障样本知识库中的数据进行比对，实时产生故障信息；

专家***模块将诊断出的故障信息通过人机接口模块进行输出。

进一步的，所述专家***包括推理机模块、解释机模块、知识库、综合数据库模及知识获取模块；

综合数据库用于存储风电机组的振动数据和过程数据、历史数据和诊断过程中的中间结果；

知识获取模块用于将从实际信息中总结出所需的知识，以符合计算机知识表示的形式写入知识库；

知识库用于存储领域专家的经验和知识以及神经网络的结构、权值，供推理机模块调用；

推理机模块用于根据已知条件，采用某种规则和策略使专家***进行有效地推理并取得最终诊断，将综合数据库中风电机组数据通过正向神经网络诊断获得推理结果，将诊断结果传送到解释机模块；

解释机模块用于从推理机模块获取诊断推理结果发送给用户，并进行解释。

进一步的，所述专家***模块包括：信号处理模块、状态识别模块及诊断决策模块；

其中，信号处理模块对采集的风电机组的实时运行参数及风电机组的振动信号进行处理，采用小波包分析法完成故障特征量提取；

状态识别模块及诊断决策模块基于神经网络的专家***实现故障信息的状态识别及决策的诊断。

一种风电机组的自动专家综合故障诊断方法，包括以下步骤：

通过数据采集模块从振动传感器获得风机各类振动信号，通过数据采集模块从主控单元读取风机运行参数，数据采集模块将采集的上述数据传输至专家***模块；

专家***模块中实现对信号处理、状态识别与诊断决策；

采用小波包分析法对不同频率范围的信号选取最佳基波函数完成故障特征量提取；

针对提取的故障特征量基于神经网络的专家***模块实现状态识别与诊断决策。

进一步的，所述信号处理具体为：将频带进行多层次划分，对多分辨分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配，对采集信号进行小波包分解，分别提取最后一层从低频到高频频率成分的信号特征。

进一步的，神经网络的专家***模块中，学习基本原则为：根据信号的小波分解层次确定BP网络的输入层个数；

根据设备的故障类型个数确定BP网络的输出层个数；

隐层节点个数根据得到，其中H为隐层节点个数，l为1到10之间的整数。

进一步的，对于三层BP神经网络模型，它由输入层，隐含层和输出层组成；

1)输入层节点i，i＝1，2，…，n，其输出O_i等于输入x_i，将控制变量值传到第二层；

2)隐层节点j，j＝1，2，…，p，其输入I_j，输出O_j分别为：

$I_j=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_{ji}{O}_i+{\mathrm{\θ}}_j$

O_j＝f(I_j)＝1/[1+exp(-I_j)]

式中，ω_ji为隐层节点j与输入层节点i之间的连接权；θ_j为隐层节点j的偏置；f为Sigmoid函数；f(x)＝1[1+exp(-x)]；

3)输出层节点k，k＝1，2，…，m，其输入I_k，输出y_k分别为：

$I_k=\underset{j=1}{\overset{p}{\Σ}}{\mathrm{\ω}}_{kj}{O}_j+{\mathrm{\θ}}_k$

y_k＝f(I_k)＝1/[1+exp(-I_k)]

式中ω_kj为输出层节点k与隐层节点j之间的连接权；θ_k为输出层节点k的偏置或阈值。

进一步的，对于给定的训练样本集(x_p1，x_p2，……，x_pn)，p为变量，P为样本数，(p＝1，2，…，P)，网络运算结果与训练样本目标输出之间的均方误差可表示为：

$E=\frac{1}{P}\underset{p=1}{\overset{P}{\Σ}}{E}_p$

式中P为样本数；t_pl为第p个样本的第l个样本输出单元的目标输出结果；y_pl为第p个样本的第l个输出单元的网络运算结果。

专家***模块在诊断决策时，具体的推理诊断过程为：

S1：定义征兆表，表中包括征兆编号、征兆参数、参数值及激活标志；

S2：定义故障表，表中包括故障编号、故障名称及激活标志；

S3：定义规则表，表中包括规则标号、若干个征兆、故障编号及激活标志；

S4：选取已知故障征兆信息，将其提交到推理机模块，推理机模块搜索征兆表，激活那些与故障征兆信息匹配的征兆，并把它们写入综合数据库；

S5：推理机模块选择第一个被激活的征兆，激活那些包含此征兆的规则，并将它们写入综合数据库；

S6：推理机模块选择下一个被激活的征兆，在综合数据库中搜索上述被激活的规则，剔除那些不包含此征兆的规则；

S7：重复步骤S6，直到不再有下一个被激活的征兆为止，进入步骤S8；

S8：提取综合数据库中所剩被激活规则的故障编号，激活故障表中相应故障，输出故障名称。

本发明的有益效果：

本发明利用主控单元读取如风电机组瞬时功率、转速、桨角、机舱温度、风速、油温、偏航状态等参数来提高故障诊断的准确性，利用基于小波包分析的神经网络专家***进行自动分析，通过专家诊断***给出运行维护建议，保护风电机组安全稳定运行，并且提供人机接口，领域专家或知识工程师可以输入评判规则，完善专家***的知识库。

附图说明

图1一种风电机组的自动专家综合故障诊断***结构图示意图；

图2 BP神经网络模型。

具体实施方式：

下面结合附图对本发明进行详细说明：

如图1所示，本发明一种风电机组的自动专家综合故障诊断***主要包括：振动传感器；主控单元；数据采集模块；专家***模块；人机接口模块。

振动传感器获取风电机组振动信号，数据采集模块在线从振动传感器采集振动信号以及通过数据采集程序从主控单元获取风电机组瞬时功率、风机偏航状态、机舱温度、风速、转速、油温、桨角等风机运行参数。

数据采集模块采集主控单元和振动传感器相关运行及振动数据，并上送至专家***模块中的综合数据库。

专家***模块包括推理机模块、解释机模块、综合数据库、知识库、知识获取模块和数据采集等模块；

综合数据库用于存储风电机组的振动数据和过程数据、历史数据和诊断过程中的中间结果。

推理机模块用于根据已知条件，采用某种规则和策略使专家***进行有效地推理并取得最终诊断，并将诊断结果反馈给用户，并将综合数据库中风电机组数据通过正向神经网络诊断获得推理结果，将诊断结果传送到解释机模块。推理机模块采用正向神经网络故障诊断推理，利用神经网络在适应性学习、容错能力、知识获取、并行推理等方面的优越性，以解决风电机组复杂非线性***多征兆、多故障等问题。

解释机模块用于从推理机模块获取诊断推理结果发送给用户，并进行解释。

知识获取模块用于将从实际信息中总结出所需的知识，以符合计算机知识表示的形式写入知识库。

知识库用于存储领域专家的经验和知识以及神经网络的结构、权值，供推理机模块调用。

人机接口模块分别与知识库模块、解释机模块和推理机模块连接，推理机模块还与知识库块、综合数据库、知识库和解释机模块连接，知识获取模块还与知识库连接，综合数据库还与数据采集模块连接。

人机接口模块用于提供用户和***进行对话，使用户能输入必要的数据、提出问题和了解推理过程及诊断结果，包括用于故障诊断的交互界面及故障诊断知识库管理的后台管理界面。

专家***模块主要实现的功能包含信号处理、状态识别与诊断决策。

●信号处理

从综合数据库中的检测的信号中提取有用信号(即故障信号)去除无用信号是信号处理的关键。当风机发生故障时，由于设备各零部件的结构不同，运行速度不同，固有频率和故障频率各不同，导致振动信号所包含不同零部件的故障特征频率分布在不同的频带范围内，在这种情况下采用小波包分析法可以克服传统小波分析的弱点，即高频段其频率分辨率较差，而在低频段其时间分辨率较差特点。它将频带进行多层次划分，对多分辨分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配。对采集信号进行小波包分解，分别提取最后一层从低频到高频频率成分的信号特征。

小波包在保证小波正交基的优良特性基础上改善了小波高频低分辨率的问题，并对不同信号的特征具有自适应能力，可以对不同频率范围的信号选取最佳基波函数以便分析完成故障特征量提取。

●状态识别及诊断决策

状态识别及诊断决策步骤基于神经网络的专家***实现。

知识库是专家***的核心部分，包括逻辑推理知识库和神经网络知识库。其中，逻辑推理知识库主要存放该领域的专门知识，经验和常识，多采用人工获得或者半自动获得。神经网络结构知识库采用网络学习，在完成一个实例后，可以记忆诊断过程和结果，从而归纳出新的诊断规则，不断扩充到知识库，使知识库具有自学习的功能。神经网络的大小是根据需求来确定的，多少个故障现象对应着多少个输入节点，故障数量对应输出节点数量。

其学习基本原则为：根据信号的小波分解层次确定BP网络的输入层个数，如对信号进行N层小波分解，则神经网络的输入层个数为N。根据设备的故障类型个数确定BP网络的输出层个数，如设备的故障类型有M种，则BP网络的输出层个数为M。隐层节点个数一般可根据得到。其中H为隐层节点个数，l为1到10之间的整数。以三层BP神经网络模型为例，它由输入层，隐含层和输出层组成。如图2所示。

1)输入层节点i(i＝1，2，…，n)，其输出O_i等于输入x_i，将控制变量值传到第二层。

2)隐层节点j(j＝1，2，…，p)，其输入I_j，输出O_j分别为：

$I_j=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_{ji}{O}_i+{\mathrm{\θ}}_j$

O_j＝f(I_j)＝1/[1+exp(-I_j)]

式中ω_ji为隐层节点j与输入层节点i之间的连接权；θ_j为隐层节点j的偏置；f为Sigmoid函数；f(x)＝1[1+exp(-x)]。

3)输出层节点k(k＝1，2，…，m)，其输入I_k，输出y_k分别为：

$I_k=\underset{j=1}{\overset{p}{\Σ}}{\mathrm{\ω}}_{kj}{O}_j+{\mathrm{\θ}}_k$

y_k＝f(I_k)＝1/[1+exp(-I_k)]

式中ω_kj为输出层节点k与隐层节点j之间的连接权；θ_k为输出层节点k的偏置(或阈值)。

对于给定的训练样本集(A_p1，A_p2，……，A_pn)，现有训练样本集，为输入样本集与输出样本集的统称，训练方法为已有通用训练方法，现将x替换为了A，用于与图2中x的区分；

P为样本数，(p＝1，2，…，P)，网络运算结果与训练样本目标输出之间的均方误差可表示为：

$E=\frac{1}{P}\underset{p=1}{\overset{P}{\Σ}}{E}_p$

式中P为样本数；t_pl为第p个样本的第l个输出单元的目标输出结果；y_pl为第p个样本的第l个输出单元的网络运算结果。

推理机制是专家***的组织控制机构，此***包含2种推理机制即基于神经网络的推理和基于专家***的推理。***实现中，神经网络专家***不同于传统***常用的演绎推理，而是综合运用神经网络知识和专家***的知识，利用正向推理和实时获取的参数波动值，通过与故障样本知识库中的数据进行比对，实时产生故障信息。

一种风电机组的自动专家综合故障诊断方法：

A、通过数据采集模块从振动传感器获得风机各类振动信号，通过数据采集模块从主控单元读取风机运行参数；

B、综合数据库从数据采集模块获得数据；

C、从综合数据库中的检测的信号中提取有用信号；

D、通过专家诊断***给出运行维护建议。

在步骤A中，所述数据采集模块，包括：从振动传感器采集信号的数据采集卡和数据采集程序；从主控单元提取风机运行参数的数据提取程序。

在步骤A中，所述运行参数包括从风机主控单元接入的风力发电机组的瞬时功率、风机偏航状态、机舱温度、风速、转速、油温、桨角等。

在步骤A中，数据采集模块是在线数据采集模块，采集主控单元和振动传感器的数据。

在步骤B中，所述的综合数据库与数据采集模块采用TCP/IP有线通信协议通信。

在步骤C中，所述的方法为小波包分析法。

在步骤D中，所述的专家诊断建议通过BP正向神经网络分析得出。

具体推理诊断过程如下：

1、定义征兆表，例如

2、定义故障表，以不平衡故障为例，如下表所示：

故障编号	故障名称	激活标志
			F0001	原始不平衡	0
F0002	渐变不平衡	0
			F0003	突发不平衡	0

3、定义规则表，例如

规则编号

征兆1

征兆2

……

征兆n

……

故障编号

激活标志

R0001

S0001

S0002

……

S000n

……

F0001

0

R0002

S0001

S0002

……

S000n

……

F0002

0

R0003

S0001

S0002

……

S000n

……

F0003

0

4、***显示各种典型初始征兆参数的信息供选择，用户选取已知故障征兆信息，将其提交到推理机，推理机搜索征兆表，激活那些与故障征兆信息匹配的征兆，并把它们写入综合数据库。例如：选择“时域波形为正弦波”、“特征频率为工频”、“振动稳定”，会激活征兆S0001、S0002、S0004，并把它们写入综合数据库。

5、推理机选择第一个被激活的征兆，激活那些包含此征兆的规则，并将它们写入综合数据库。例如，据S0001，激活规则R0001、R0002、R0003，并把它们写入综合数据库。

6、推理机选择下一个被激活的征兆，在综合数据库中搜索上述被激活的规则，剔除那些不包含此征兆的规则。

7、重复步骤(6)，直到不再有下一个被激活的征兆为止。例如，据S0004剔除规则R0002、R0003后，下面不再有其它被激活的征兆，不再重复步骤(6)，直接进入步骤(8)。

8、提取综合数据库中所剩被激活规则的故障编号，激活故障表中相应故障，输出故障名称。例如，仅剩R0001处于被激活状态，提取故障编号F0001，最后输出“原始不平衡”。

本发明具有成本低、可靠性高等特点，利用主控单元读取如风力发电机组的瞬时功率、转速、桨角、机舱温度、风速、油温、偏航状态等参数来提高故障诊断的准确性，利用基于小波包分析的神经网络专家***进行自动分析，通过专家诊断***给出运行维护建议，保护风电机组安全稳定运行。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种风电机组的自动专家综合故障诊断***，其特征是，包括

主控单元，用于将风电机组的实时运行参数传输至数据采集模块；

振动信号采集单元，用于将风电机组的振动信号传输至数据采集模块；

数据采集模块，采集主控单元和振动信号采集单元的相关数据并传输至故障诊断模块；

专家***模块，综合运用神经网络知识和专家***的知识，利用正向推理和实时获取的参数波动值与故障样本知识库中的数据进行比对，实时产生故障信息；

故障诊断模块将诊断出的故障信息通过人机接口模块进行输出。

2.如权利要求1所述的一种风电机组的自动专家综合故障诊断***，其特征是，所述专家***包括推理机模块、解释机模块、知识库、综合数据库模及知识获取模块；

综合数据库用于存储风电机组的振动数据和过程数据、历史数据和诊断过程中的中间结果；

知识获取模块用于将从实际信息中总结出所需的知识，以符合计算机知识表示的形式写入知识库；

知识库用于存储领域专家的经验和知识以及神经网络的结构、权值，供推理机模块调用；

推理机模块用于根据已知条件，采用某种规则和策略使专家***进行有效地推理并取得最终诊断，将综合数据库中风电机组数据通过正向神经网络诊断获得推理结果，将诊断结果传送到解释机模块；

解释机模块用于从推理机模块获取诊断推理结果发送给用户，并进行解释。

3.如权利要求1所述的一种风电机组的自动专家综合故障诊断***，其特征是，所述故专家***模块包括：信号处理模块、状态识别模块及诊断决策模块；

其中，信号处理模块对采集的风电机组的实时运行参数及风电机组的振动信号进行处理，采用小波包分析法完成故障特征量提取；

状态识别模块及诊断决策模块基于神经网络的专家***实现故障信息的状态识别及决策的诊断。

4.一种风电机组的自动专家综合故障诊断方法，其特征是，包括以下步骤：

通过数据采集模块从振动传感器获得风机各类振动信号，通过数据采集模块从主控单元读取风机运行参数，数据采集模块将采集的上述数据传输至专家***模块；

专家***模块中实现对信号处理、状态识别与诊断决策；

采用小波包分析法对不同频率范围的信号选取最佳基波函数完成故障特征量提取；

针对提取的故障特征量基于神经网络的专家***模块实现状态识别与诊断决策。

5.如权利要求4所述的一种风电机组的自动专家综合故障诊断方法，其特征是，所述信号处理具体为：将频带进行多层次划分，对多分辨分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配，对采集信号进行小波包分解，分别提取最后一层从低频到高频频率成分的信号特征。

6.如权利要求4所述的一种风电机组的自动专家综合故障诊断方法，其特征是，神经网络的专家***模块中，学习基本原则为：根据信号的小波分解层次确定BP网络的输入层个数；

根据设备的故障类型个数确定BP网络的输出层个数；

隐层节点个数根据得到，其中H为隐层节点个数，l为1到10之间的整数，神经网络的输入层个数为N，设备的故障类型有M种。

7.如权利要求4所述的一种风电机组的自动专家综合故障诊断方法，其特征是，对于三层BP神经网络模型，它由输入层，隐含层和输出层组成；

1)输入层节点i，i＝1，2，…，n，其输出O_i等于输入x_i，将控制变量值传到第二层；

2)隐层节点j，j＝1，2，…，p，其输入I_j，输出O_j分别为：

$I_j=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_{ji}{O}_i+{\mathrm{\θ}}_j$

O_j＝f(I_j)＝1/[1+exp(-I_j)]

式中，ω_ji为隐层节点j与输入层节点i之间的连接权；θ_j为隐层节点j的偏置；f为Sigmoid函数；f(x)＝1[1+exp(-x)]；

3)输出层节点k，k＝1，2，…，m，其输入I_k，输出y_k分别为：

$I_k=\underset{j=1}{\overset{p}{\Σ}}{\mathrm{\ω}}_{kj}{O}_j+{\mathrm{\θ}}_k$

y_k＝f(I_k)＝1/[1+exp(-I_k)]

式中ω_kj为输出层节点k与隐层节点j之间的连接权；θ_k为输出层节点k的偏置或阈值。

8.如权利要求4所述的一种风电机组的自动专家综合故障诊断方法，其特征是，对于给定的训练样本集(A_p1，A_p2，……，A_pn)，p＝1，2，…，P，网络运算结果与训练样本目标输出之间的均方误差可表示为：

$E=\frac{1}{P}\underset{p=1}{\overset{P}{\Σ}}{E}_p$

式中P为样本数；t_pl为第p个样本第l个样本输出单元的目标输出结果；y_pl为第p个样本的第l个输出单元的网络运算结果。

9.如权利要求4所述的一种风电机组的自动专家综合故障诊断方法，其特征是，专家***模块在诊断决策时，具体的推理诊断过程为：

S1：定义征兆表，表中包括征兆编号、征兆参数、参数值及激活标志；

S2：定义故障表，表中包括故障编号、故障名称及激活标志；

S3：定义规则表，表中包括规则标号、若干个征兆、故障编号及激活标志；

S4：选取已知故障征兆信息，将其提交到推理机模块，推理机模块搜索征兆表，激活那些与故障征兆信息匹配的征兆，并把它们写入综合数据库；

S5：推理机模块选择第一个被激活的征兆，激活那些包含此征兆的规则，并将它们写入综合数据库；

S6：推理机模块选择下一个被激活的征兆，在综合数据库中搜索上述被激活的规则，剔除那些不包含此征兆的规则；

S7：重复步骤S6，直到不再有下一个被激活的征兆为止，进入步骤S8；

S8：提取综合数据库中所剩被激活规则的故障编号，激活故障表中相应故障，输出故障名称。